这样解释数据科学，奶奶辈也听得懂！

人工智能领域包括几个分支，它们目前正处于鼎盛时期。将其可视化后就能准确地知道我们在说什么：

5. 数据挖掘

数据挖掘是一项使用数据探索技术发现一些有趣(而不明显)的模式的技术。

什么模式?例如：根据某些特征对数据进行分组的方式、异常检测(罕见值)、某些观察值与其他值之间的相关性、某些事件的连续性、行为的识别等。

数据挖掘使用机器学习等方法。

6. 机器学习

机器学习是人工智能最重要的分支。它的任务是：研究和开发技术，使机器能够在没有人类明确指令的情况下自学，从而执行特定的任务。

机器将从输入数据集(称为样本或训练数据)中学习，根据算法检测到的模式建立数学模型。该模型的最终目标是对之后来自相同数据源的数据进行(准确的)预测或决策。

传统的机器学习主要有两种类型：

• 监督学习：当训练数据被“标记”时。这意味着，对于每个样本，我们都有与观察到的变量(输入)和我们想要学习预测或分类的变量(输出、目标或因变量)相对应的值。在这种类型中，我们找到了回归算法(预测数值的算法)和分类算法(输出仅限于某些分类值时)。
• 无监督学习：当训练数据没有标记时(我们没有目标变量)。这里的目标是找到某种结构或模式，例如对训练样本进行分组，这样我们就可以对未来的样本进行分类。

传统的机器学习已经让位于更复杂或更现代的学习类型：

• 集成方法：基本上是几种算法联合使用，将它们的结果结合起来以获取更好的结果。尽管XGBoost凭借在Kaggle的胜利而得名，但最常见的例子还是随机森林。
• 强化学习：机器通过反复试误来学习，这得益于它对周围环境的迭代做出的反馈。你可能听说过AlphaGo或AlphaStar(在《星际争霸2》中实力碾压人类)。
• 深度学习：皇冠上的宝石……

7. 深度学习

深度学习是机器学习中的一个子领域。

它基于人工神经网络的应用。人工神经网络是一个计算模型，具有分层结构，由相互连接的节点共同工作而形成。这个名字的灵感来自(或试图模仿)大脑的生物神经网络。

虽然神经网络已经被研究和使用多年，但该领域的进展一直很缓慢;主要是限于计算能力不足。尽管深度学习近些年来取得蓬勃发展，这多少要归功于神经网络训练采用了CPU，但其开始不过才十年。

人们普遍认为：任何机器学习问题，无论多么复杂，都可以通过神经网络解决，只要把它做得足够大就行了。如今，深度学习的发展带动了人工智能其他领域的发展;无论是更传统的领域(改善获得的结果)，还是最流行的领域：自然语言处理、人工视觉、语音识别、逼真多媒体内容的生成等。

8. 商业智能(BI)

这个术语指在公司内部使用数据，帮助经理做出决策。

BI工具(报告、仪表板)告诉我们发生了什么，因此基于这些工具的决策将是被动的。

一个随机仪表板

9. 商业分析(BA)

它是传统商业智能的进化，利用大数据的进步，使企业能够探索数据，并与更多的数据交互，这些数据不限类型不限来源;所有这些(几乎)都是实时的。它还利用了数据科学领域的进步，因此从数据中获得的发现将更有价值。

BA工具告知我们过去和现在发生的;它们也会根据我们的行为预测未来，甚至模拟可能的未来。因此，所做的决定可能是主动的，而不是被动的。

BA的目的是使整个公司都能从这些发现中受益，这意味着公司在所有领域都能做出更好(和更快)的决策。

（编辑：核心网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!